YOLOvME : la révolution numérique des forêts
Explore les recherches forestières transformatrices de Stefano Puliti, qui utilisent YOLOv5 pour la détection et l’analyse aériennes dans le domaine forestier.
Stefano Puliti est chercheur en télédétection forestière au Norwegian Institute of Bioeconomy Research (NIBIO), au sein du département de l’inventaire forestier. NIBIO est l’un des plus grands instituts de recherche de Norvège, avec environ 700 employés. Il contribue à la sécurité et à la sûreté alimentaires, à la gestion durable des ressources, à l’innovation et à la création de valeur grâce à la recherche et à la production de connaissances.
Dans le cadre de ses recherches, des drones et d’autres techniques de détection proximale, comme le balayage laser mobile, sont utilisés pour produire les analyses avancées nécessaires afin de répondre aux besoins modernes en matière d’information.
Une grande partie de ses travaux a été réalisée dans le cadre du projet SmartForest, un programme de recherche à long terme financé par le Conseil norvégien de la recherche ainsi que par la plupart des acteurs de l’industrie forestière en Norvège. L’objectif de SmartForest est d’améliorer l’efficacité du secteur forestier norvégien en permettant une révolution numérique qui transforme l’information forestière, la sylviculture, les opérations forestières, l’approvisionnement en bois et l’ensemble des flux d’informations numériques du secteur.
Stefano a travaillé pendant de nombreuses années sur des applications plus traditionnelles de l’apprentissage automatique, comme les forêts aléatoires ou les machines à vecteurs de support. Il y a environ trois ans, il a compris qu’il était temps de passer à la vitesse supérieure dans le domaine de l’apprentissage profond, qui en est encore à ses débuts dans le secteur forestier. Après avoir pris conscience des immenses avantages que les chercheurs peuvent tirer de l’apprentissage profond, Stefano a développé plusieurs applications dans le domaine de la vision par drone et de la vision artificielle.
Depuis combien de temps utilises-tu YOLOv5 ?#
« Je l’utilise depuis l’été 2021 et je ne l’ai plus abandonné depuis ! Je dois dire que ce fut un coup de foudre grâce à la facilité avec laquelle j’ai pu faire fonctionner le dépôt YOLOv5 . Cela m’a été extrêmement utile, car à l’époque je ne connaissais pas très bien Python et la courbe d’apprentissage progressive de YOLOv5 a fait toute la différence. »
Stefano s’était principalement tourné vers la détection d’objets pour identifier, dans des images prises par drone, les arbres en mauvais état sanitaire, que ce soit en raison de dommages causés par des agents abiotiques (sécheresse, vent, neige) ou biotiques (insectes et champignons). Depuis, lui et ses collègues ont développé toute une famille de détecteurs YOLOv5, allant des nids-de-poule aux bordures de route et aux verticilles.
« Lorsque j’ai découvert YOLOv5, j’avais essayé sans succès pendant un certain temps d’entraîner des détecteurs d’objets avec TensorFlow Object Detection API. Puis je suis tombé sur le dépôt YOLOv5 et, sans grand espoir, j’ai tenté d’entraîner un détecteur. À ma grande surprise, j’ai commencé le processus d’apprentissage avec quatre lignes de code. Je ne sais pas si l’on peut parler d’un processus de réflexion ou plutôt d’un heureux hasard, mais c’était parti. »
La plupart des modèles sont ensuite déployés sur leur solution cloud (ForestSens) afin de fournir des services au secteur forestier. Les utilisateurs peuvent notamment y importer des images prises par drone, qui sont ensuite transformées en informations exploitables grâce à notre famille de modèles YOLOv5. Certains de leurs détecteurs entraînés sont également déployés à la périphérie sur des machines forestières ou des camions de transport de bois.
Depuis le début, Stefano et son équipe ont développé toute une série de modèles YOLOv5 destinés à contribuer aux objectifs suivants :
- Évaluer la qualité du bois
- Surveiller les besoins d’entretien des routes forestières
- Détecter les caractéristiques pertinentes pour la biodiversité en forêt
Par ailleurs, ils étudient également l’extension de leurs modèles basés sur des drones, consacrés à la santé et à l’inventaire des forêts, à des données d’images aériennes et satellitaires de résolution plus grossière.
Avec les dernières versions de YOLOv5, ils attendent avec grand intérêt les fonctionnalités de classification d’images et de segmentation sémantique que YOLOv5 pourrait offrir. Ces fonctionnalités renforceront leur capacité à résoudre des tâches complexes de vision par ordinateur dans les environnements forestiers.
La simplicité de la configuration, aussi bien pour l’entraînement des modèles (version Docker) que pour leur déploiement, a fait de YOLOv5 une excellente option pour eux.
« L’un des aspects qui m’a toujours fasciné chez Ultralytics est son modèle économique relativement récent, qui repose fondamentalement sur du code ouvert et propose des produits payants permettant aux non-spécialistes d’accéder à la puissance de l’apprentissage profond. En tant que scientifique, j’apprécie beaucoup l’ouverture d’Ultralytics et je trouve que c’est un excellent moyen d’accélérer le développement du produit. Par conséquent, YOLOv5 bénéficie d’améliorations assez radicales et évolue constamment grâce aux contributions de nombreux data scientists et professionnels du domaine. »
Que recommanderais-tu à quelqu’un qui débute en IA ?#
Lors de conférences internationales au cours de l’année passée, j’ai constaté que les chercheurs en foresterie étaient soit effrayés par la complexité de l’apprentissage profond, soit ne pensaient pas qu’il puisse jouer un rôle dans leurs recherches. Dans tous ces cas, j’ai suggéré de consacrer une demi-journée à l’annotation et d’essayer d’entraîner un modèle YOLOv5 pour comprendre sa puissance et sa simplicité.
Pour reprendre les mots que j’employais réellement : « Ta méthode ne fonctionne pas ? Alors YOLO-la ! »
Si tu souhaites suivre l’actualité de Stefano Puliti et de ses travaux, n’hésite pas à consulter son profil NIBIO.
Tu as ton propre cas d’utilisation de YOLOv5 ?#
Identifie-nous avec #YOLOvME sur nos réseaux sociaux en partageant ton propre cas d’utilisation de YOLOv5, et nous ferons connaître ton travail à la communauté ML.
